改进YOLOv在ELAN模块和ELAN-H模块中添加注意力机制

YOLOv（You Only Look Once）是一种快速且准确的目标检测算法，但在处理复杂场景和小目标时存在一定的局限性。为了进一步提升YOLOv的性能，在ELAN（Enhanced Local Attention Network）模块和ELAN-H（Enhanced Local Attention Network with Hierarchical Structure）模块中引入了注意力机制。这些改进有助于提高目标检测的准确性和鲁棒性。

1. ELAN模块：
   ELAN模块在YOLOv的基本结构中添加了局部注意力机制，以增强对感兴趣区域的关注。具体结构如下：

输入：特征图（Feature Map）
输出：加权特征图（Weighted Feature Map）

步骤：
1. 对输入的特征图进行三个不同尺度的卷积操作，得到三个不同尺度的特征图。
2. 对每个尺度的特征图进行注意力加权操作，得到加权特征图。
3. 将三个加权特征图融合为最终的加权特征图。
4. 将加权特征图输入到后续的检测层进行目标检测。

注意力加权操作的具体步骤如下：
1. 对每个尺度的特征图进行全局平均池化，得到一个全局特征向量。
2. 使用一个全连接层将全局特征向量映射到一个注意力向量。
3. 将注意力向量与原始特征图进行点乘操作，得到加权特征图。

2. ELAN-H模块：
   ELAN-H模块在ELAN模块的基础上进一步引入了分层结构的注意力机制，以更好地捕捉不同层级的特征信息。具体结构如下：

输入：特征图金字塔（Feature Pyramid）
输出：加权特征图金字塔（W